Multiklassifikation mit Bayesian Neural Networks in der ttH(bb)-Analyse

Im Allgemeinen liefert ein neuronales Netz für beliebige Eingabedaten immer eine Vorhersage, ohne eine Angabe zu machen, wie sicher diese Vorhersage ist. Eine besondere Art der neuronalen Netze heißen bayesische neuronale Netze (BNN). Der Hauptunterschied zwischen herkömmlichen neuronalen Netzen und BNNs ist, dass die Informationsverarbeitung in BNNs durch Rechnung mit Wahrscheinlichkeitsverteilungen geschieht, mithilfe derer eine Aussage über die Unsicherheit der vom Netz gemachten Vorhersagen getroffenen werdenkann. Im Rahmen der Masterarbeit "Treating Uncertainties with Bayesian Neural Networks in the measurement of ttH(bb) production" von Nikita Shadskiy wurden für die ttH-Analyse BNNs studiert, die Vorhersagen darüber treffen können, ob ein gemessenes Ereignis zum ttH-Prozess gehört,oder nicht. Ziel dieser Arbeit ist es für die ttH-Analyse BNNs einzuführen, die zwischen verschiedenen Klassen von Prozessen unterscheiden können, sowie eine Aussage über deren Nutzbarkeit und Leistungsfähigkeit im Vergleich zu herkömmlichen neuronalen Netzen zu treffen.Weiterführend werden Auswertungsmethoden, welche die für BNNs einzigartige Vorhersagen-Unsicherheit miteinbeziehen, vorgestellt.